AI質(zhì)檢學習報告——學習篇——AI質(zhì)檢產(chǎn)?背景和發(fā)展過程
?、傳統(tǒng)質(zhì)檢
1.什么是質(zhì)檢？
百度百科對質(zhì)檢的定義：質(zhì)檢顧名思義就是質(zhì)量檢驗。可以詳細劃分為內(nèi)部質(zhì)檢與外部質(zhì)檢。
AI質(zhì)檢主要研究的是內(nèi)部質(zhì)檢。
內(nèi)部質(zhì)量檢查是指企業(yè)內(nèi)部質(zhì)檢部門為了確保滿?交付的?作質(zhì)量要求，對?作結(jié)果抽取樣本，進?連續(xù)且達置信區(qū)間的檢查或驗證，并對結(jié)果進?分析運?。
質(zhì)檢中?些沒有技術含量的??，像微波爐?落?的型號編碼、空調(diào)背?不顯眼的?螺釘、冰箱側(cè)?的標簽，它們的質(zhì)量檢測是?產(chǎn)線中最費??的地?，也是制約智能制造的??難。 2.質(zhì)量檢驗的步驟
1.根據(jù)產(chǎn)品技術標準明確檢驗項?和各個項?質(zhì)量要求；
2.規(guī)定適當?shù)?法和?段，借助?般量具或使?機械、電?儀器設備等測定產(chǎn)品；
3.把測試得到的數(shù)據(jù)同標準和規(guī)定的質(zhì)量要求相?較；
4.根據(jù)?較的結(jié)果，判斷單個產(chǎn)品或批量產(chǎn)品是否合格；
5.記錄所得到的數(shù)據(jù)，并把判定結(jié)果反饋給有關部門，以便促使其改進質(zhì)量。
3.當前質(zhì)檢模式
當前制造業(yè)產(chǎn)品外表檢查主要有??質(zhì)檢和機器視覺質(zhì)檢兩種?式，其中??占90%，機器只占10%，?兩者都?臨許多挑戰(zhàn)。
??質(zhì)檢成本?、誤操作多、?產(chǎn)數(shù)據(jù)?法有效留存，機器視覺質(zhì)檢雖然不存在這些問題，但受傳統(tǒng)特征?程技術限制，模型升級及本地化服務難度較?。
?業(yè)檢測是現(xiàn)代制造業(yè)不可或缺的流程。
過去??主要是通過?眼識別的?式對產(chǎn)品進?檢測，來發(fā)現(xiàn)缺陷。這??式不僅效率低，準確率也不?。
機器視覺的引?，可以讓產(chǎn)品檢測準確率和效率獲得成百上千倍的提升，然?構(gòu)建這樣?套?之有效的?動化機器視覺系統(tǒng)，需要耗費?量成本和時間去進?定制化開發(fā)和驗證；
同時，如果系統(tǒng)的通?性不佳，就會讓它難以在不同產(chǎn)線上普及使?。
因此，許多傳統(tǒng)制造企業(yè)都對機器視覺系統(tǒng)的應?持觀望態(tài)度。
?、AI質(zhì)檢
??和AI，兩種?式達成的效果相似的前提下，?較兩者的成本，卻相距甚遠。
在引?AI質(zhì)檢員之后，?論是時間還是??成本都有著巨?的下降。
AI質(zhì)檢適?于眾多業(yè)務場景，包括但不限于LED芯?檢測，液晶屏幕檢測，光伏EL檢測，汽車零件檢測等。
AI質(zhì)檢的發(fā)展過程
具體案例1——為智能制造增添“眼”和“腦”的能?，英特爾提供端到端??智能解決?案，助?美的構(gòu)建?業(yè)視覺檢測云平臺
英特爾提供端到端??智能解決?案，助?美的構(gòu)建?業(yè)視覺檢測云平臺
2018年11?6?：
“美的與英特爾的??智能專家??套?業(yè)視覺檢測云平臺為智能制造“點睛”——未來，美的?產(chǎn)線上各類產(chǎn)品的檢測都將?需??，視覺AI可以讓所有瑕疵?可遁逃！”
品質(zhì)檢測是制造??沉重瑣碎的?序，也是阻滯其智能化的痛點。
美的庫卡機器?視覺團隊摸索?年多，發(fā)現(xiàn)痛點的根源在機器檢測視覺應?環(huán)境的?標性——?產(chǎn)線環(huán)境復雜、產(chǎn)品多種多樣，光亮條件、產(chǎn)品表?性狀都不同，?乎每?個項?都需要定制相機、光源、算法。
AI 與?數(shù)據(jù)技術的結(jié)合，可以有效地應對這?問題。
美的?業(yè)視覺檢測云平臺采?了這樣的架構(gòu)：前端圖像收集-云端?數(shù)據(jù)分析-深度學習模式識別，解決視覺檢測環(huán)境的?標難題。
前端設備收集的圖像數(shù)據(jù)通過4G 或Wi-Fi 傳輸?shù)皆贫耍ㄟ^深度學習框架，經(jīng)由訓練獲得?標準化視覺檢測特征，最終打造出通?化、智能化的瑕疵檢測能?。
?這?過程實現(xiàn)的關鍵，是英特爾Analytics Zoo ?數(shù)據(jù)分析+AI 平臺。
英特爾AnalyticsZoo是?個統(tǒng)?的?數(shù)據(jù)+??智能平臺，?持基于Spark的分布式TensorFlow、Keras和BigDL，?的是?便?戶開發(fā)基于?數(shù)據(jù)、端到端的深度學習應?。
美的視覺研究所胡正所長說：
“機器?幫助我們解決‘?’和‘腳’ 的問題，?機器視覺則解決‘眼’ 和‘腦’的問題。
優(yōu)秀的算法和強勁的計算?，是我們?業(yè)視覺檢測云平臺得以發(fā)揮價值的重要前提。
英特爾? Analytics Zoo ?數(shù)據(jù)分析和 AI 平臺的引?，為云平臺提供了端到端的算法訓練和云計算部署能?，?英特爾? ?強? 可擴展處理器則幫助它算得更快、更好。
英特爾軟、硬件產(chǎn)品與技術的結(jié)合，幫助我們在智能制造之路上邁出了堅實的?步。”
案例分析1——為智能制造增添“眼”和“腦”的能?，英特爾提供端到端??智能解決?案，助?美的構(gòu)建?業(yè)視覺檢測云平臺
利?機器視覺進??業(yè)檢測是智能制造的重要?向之?，但傳統(tǒng)機器視覺?案?臨著諸多問題：
???，復雜的?產(chǎn)環(huán)境帶來?量?標準化特征識別需求，導致定制化?案開發(fā)周期長、成本?；
另???，檢測內(nèi)容多樣化也造成參數(shù)標定繁瑣，??使?困難；
?且，傳統(tǒng)?案往往需要機械部件配合定位，因此占?產(chǎn)線空間?，對?藝流程有影響。
美的庫卡機器視覺團隊與英特爾?起構(gòu)建的、全新的、基于 AI 技術的?業(yè)視覺檢測云平臺，如下圖所?，它將所有視覺檢測終端設備通過?絡連接到云端，在云端實現(xiàn)圖像?數(shù)據(jù)的收集，并將這些數(shù)據(jù)在深度學習框架中予以訓練，從?獲得通?化特征參數(shù)與模型，實現(xiàn)敏捷、?性能的通?化缺陷檢測能?。
基于 AI 技術的美的?業(yè)視覺檢測云平臺，主要由前后端兩部分組成，其中?業(yè)機器?，?業(yè)相機以及?控機等設備構(gòu)成了圖像采集前端，部署在??產(chǎn)線上；云化部署的英特爾? 架構(gòu)服務器集群則撐起了該云平臺的后端系統(tǒng)。
在前端，如圖?所?，執(zhí)?圖像采集的機器?裝有兩個?業(yè)相機， ?個進?遠距離拍攝，?于檢測有?和定位；另?個進?近距離拍攝，?于 OCR 識別。
以微波爐檢測為例，當系統(tǒng)開始?作時，通過機器?與旋轉(zhuǎn)臺的聯(lián)動，先使?遠距離相機拍攝微波爐待檢測?的全局圖像，并檢測計算出需要進? OCR 識別的位置，再驅(qū)動近距離相機進?局部拍攝。
相機采集到的不同圖像，會?先交由基于英特爾? 酷睿? 處理器的?控機進?預處理，根據(jù)檢測需求確定是否需要傳輸?shù)皆贫耍绻枰瑒t通過?絡傳送到后端云服務器上。
在后端云服務器，系統(tǒng)?先會利?英特爾? Analytics Zoo 提供的 SSD（Single Shot Multibox Detector）模型對預處理過的圖像進?識別，提取出需要進?檢測的標的物，例如螺釘、銘牌標貼或型號等等。
在數(shù)據(jù)采集及預處理優(yōu)化階段，Analytics Zoo 幫助云平臺執(zhí)??效的分布式數(shù)據(jù)預處理和代碼優(yōu)化，使之能夠在 50 毫秒內(nèi)就完成對圖?的讀取和處理；
在海量數(shù)據(jù)管理階段，其幫助云平臺?效地執(zhí)?數(shù)據(jù)存儲、分類以及更新；
在分布式模型訓練階段，Analytics Zoo ???協(xié)助云平臺構(gòu)建檢測模型，另???，其?帶的TF優(yōu)化器能夠迅速啟動分布式訓練過程；
?在模型重定義階段，Analytics Zoo 不僅可以執(zhí)?參數(shù)調(diào)整，并可加速模型推理速度，相關測試數(shù)據(jù)表明，
基于英特爾? 架構(gòu)平臺，云平臺的模型推理時間已從 2 秒縮短到 124 毫秒4；
Awwnalytics Zoo 還對命令?模式與 Web Service 模式提供了良好?持，這使得云平臺可與美的其他應?系統(tǒng)實現(xiàn)平滑的對接。
?后，英特爾? Analytics Zoo 提供的 AI 能?，將幫助云平臺進?海量數(shù)據(jù)管理、分布式模型訓練、模型重定義、模型推理等?系列 AI 處理流程。
通過英特爾? Analytics Zoo 中集成的 TensoFlow*、BigDL* 等深度學習開發(fā)框架，系統(tǒng)可以通過不斷地迭代分布式訓練，提升對檢測物的識別率。
將深度學習的?法引??業(yè)檢測，不僅可以讓?業(yè)視覺檢測云平臺快速、敏捷、?動地識別出待測產(chǎn)品的諸多缺陷，例如螺釘漏裝、銘牌漏貼、LOGO 絲印缺陷等問題。
更重要的是，該云平臺能夠?qū)?標準變化因素有良好的適應性，即便檢測內(nèi)容和環(huán)境發(fā)?變化，云平臺也能很快地予以適應，省去了冗長的新特征識別、驗證時間。同時，這??案也能有效地提?檢測的魯棒性，令識別率?達 99.8%1，克服了傳統(tǒng)視覺檢測過于依賴圖像質(zhì)量的問題。
來?美的微波爐視覺檢測項?的數(shù)據(jù)統(tǒng)計表明：新的、基于 AI 的?業(yè)視覺檢測云平臺?案部署后，使得項?部署周期縮短了 57%，物料成本減少 30%，??成本減少 70%2，這對傳統(tǒng)制造業(yè)??，?疑是?
項意義深遠的?產(chǎn)?藝?新。
具體案例2——AI助?智能質(zhì)檢，客戶服務體驗全?升級
客服是企業(yè)內(nèi)外溝通的橋梁，對外，向客戶傳達企業(yè)的產(chǎn)品、服務、信譽；對內(nèi)，向企業(yè)反饋客戶需求、產(chǎn)品質(zhì)量、滿意度等問題，客服在企業(yè)的運營發(fā)展中起著?關重要的作?。
客服質(zhì)檢通過對坐席員的錄?進?分析、跟蹤，可以發(fā)現(xiàn)問題，并制定相應的改善計劃，以提升服務?平。
傳統(tǒng)語?質(zhì)檢的弊端
當企業(yè)快速發(fā)展，呼叫中?業(yè)務量連連攀升，傳統(tǒng)質(zhì)檢耗時長、效率低、成本?、精準度差、評判主觀性強，難以適應企業(yè)迅速成長的腳步。
抽樣?覆蓋不?：
質(zhì)檢員隨機抽取，?法覆蓋全部錄?，漏檢率?，也不能精準定位存在問題的錄?。
企業(yè)的語?及?本數(shù)據(jù)質(zhì)檢，?前仍更多采???抽檢的?式，且平均覆蓋率僅為0.5%~2%之間，完全?法達到統(tǒng)計學要求的抽檢樣本量要求。
質(zhì)檢標準存在差異：
質(zhì)檢?員的認知?平、判斷?及主觀意識的不同，導致了質(zhì)檢標準難以達到公平公正。
質(zhì)檢結(jié)果難以歸類：
現(xiàn)有的質(zhì)檢結(jié)果信息較單?，?法做分類匯總或者做類別交叉分析，也?法進?最根本原因分析。
?未能被抽檢到的錄?中卻包含著更為巨?的商業(yè)機會或者風險，主要由于沒有合適的?具來進??結(jié)構(gòu)化數(shù)據(jù)分析，最終導致巨?投?所取得的回報甚微。
智能質(zhì)檢解決?案
智能質(zhì)檢解決?案是榮之聯(lián)為企業(yè)客戶提供的?套針對于語?全量質(zhì)量保證的解決?案。
通過?動語?識別（ASR）、?然語?處理（NLP）等技術，加之?由化質(zhì)檢模型創(chuàng)建，實現(xiàn)對于語?錄?的監(jiān)測、評價及控制。
該解決?案不僅可以?泛應?于呼叫中?的質(zhì)量檢測，還可以應?到?常辦公電話、銀?柜臺服務、探監(jiān)通話等專有領域。
通過數(shù)據(jù)采集（轉(zhuǎn)化+整合）及分析，最終實現(xiàn)對語?的智能質(zhì)檢，包括?動評分、?動標簽分類、關鍵詞/敏感信息告警、趨勢統(tǒng)計分析、質(zhì)檢任務管理等。
榮之聯(lián)智能質(zhì)檢解決?案運?智能技術實現(xiàn)全量質(zhì)量監(jiān)控，將質(zhì)檢結(jié)果進??動分類管理，提?檢索效率；?定義評分表，可以創(chuàng)建不同的質(zhì)檢標準；完善的報表功能可對總體情況進?概括總結(jié)。
鏈接
